Auf Data-Mining basierende Personalisierung im E-Commerce mit implizitem Feedback

Abstract

Die vorliegende Masterarbeit beschreibt die Herangehensweise zur Analyse eines kommerziellen Datensatzes, der sich aus den Aufzeichnungen von Nutzer- und Kaufverhalten auf einer unbekannten E-Commerce Plattform zusammensetzt. Das hierbei verfolgte Ziel besteht aus der Klassifzierung von Artikeln mit Data-Mining Verfahren, die dann dazu genutzt werden um Vorhersagen für weitere Käufe zu erstellen. Dafür werden zwei Ensemble Verfahren bestehend aus einem Random Forest und Gradient Boosting verglichen. In Hinsicht auf die Größe und die Unausgeglichenheit in der Verteilung von Käufen ist der verwendete Datensatz besonders und muss dementsprechend vor der Verwendung angepasst werden.

This master thesis describes the approach to the analysis of a commercial dataset, which consists of the consumer behavior from an unknown e-commerce platform. The objective here is to classify articles with data mining methods, then using the resulting models to make predictions for further purchases. For this purpose, two ensemble methods consisting of a random forest and gradient boosting are compared. The used dataset is challenging, because of the imbalanced distribution of purchases and the volume of data.